风能作为一种无污染、可再生能源,得到世界各国的高度重视,风力发电是目前最成熟的、最具商业化开发前景的可再生能源发电技术之一。但风速的间歇性和波动性使风电对电网产生巨大冲击,这给风电的并网带来困难与挑战。对风电场的风速进行有效预测是解决该问题的有效途径之一。而风速序列作为一种自然气象数据,其自身蕴含着内在规律性,这决定了风速预测的可行性。本文以某风电场风速为研究对象,进行了基于历史数据的风速时间序列预测研究。首先,对BP神经网络的工作原理进行了分析,结合自然生物神经系统中所存在的迟滞特性,提出迟滞神经网络模型；其次,针对特定风速序列的特点,结合混沌理论开展了具有混沌特性的风速序列预测研究；最后,针对各种预测方法预测机理不同、信息利用不够全面的缺点,提出风速序列混合预测的思想。本论文的主要研究工作如下：(1)对时间序列分析方法、BP神经网络方法的工作原理进行了分析,对ARIMA模型的定阶方法进行了研究。并在前向型神经网络的基础上,针对BP神经网络训练过程中容易出现局部极小值以及假饱和现象等问题,将迟滞特性引入到神经网络,构建了迟滞神经网络。迟滞特性的引入能够提高网络的信息利用率和记忆能力,从而可改善网络的泛化能力,提高前向型神经网络的预测性能。(2)针对特定风速序列的特点,结合混沌理论开展了具有混沌特性的风速序列预测研究。提出采用混沌算子网络实现风速序列预测的分析方法,利用训练样本训练网络,逐渐改变网络的特性,使其能够跟随风速序列特性的变化而变化,由此构造出与被预测序列特性相似的网络预测模型,从而提高网络的预测性能。另外,结合混沌理论,对具有混沌特性的风速序列求取其蕴含的最佳不稳定周期值,根据不稳定周期轨道值实现了未来风速序列的预测分析,由于最佳不稳定周期较长,因此能够得到在较大预测步长内预测性能相对稳定的预测方法。(3)针对各种预测方法预测机理不同、信息利用不够全面的缺点,首先提出两种风速序列混合预测的思想：加权混合预测方法和分时混合预测方法,并对所提方法预测性能进行了分析。然后结合卡尔曼滤波理论开展了风速序列的混合预测研究：一是利用卡尔曼滤波方法将迟滞神经网络与ARIMA模型的预测结果进行融合,得到最佳预测估计；二是建立了风速及加速度的状态方程,分别对风速及加速度序列进行预测分析,采用卡尔曼滤波方法实现了风速序列的混合预测。